基于神经网络的射频功放非线性模型研究（本科毕设）硬核篇
基于神经网络的射频功放非线性模型研究
研究内容：
（1）理论分析功率放大器的非线性和记忆效应，分析几种最常见的功放行为模型的结构与适用情况，并用Matlab和ADS软件进行仿真；
（2）针对基于Volterra级数的这一大类功放行为模型，研究Saleh模型的改进模型，简化原模型的参数求解过程，降低模型复杂度与系数数量。
（3）研究BP、RBF和支持向量机，并利用其进行功放的建模，并利用Matlab和ADS软件进行验证。
具体要求
（1）构建至少三种放大器模型；
（2）构建至少三种神经网络模型；
（3）预测误差小于10%。
摘要：
随着无线通信系统的发展，射频功率放大器的研究越来越受到重视，而功率放大器的行为模型一向是功率放大器研究的热门话题之一。解决功率放大器的建模问题能够在功率放大器预失真、功率放大器设计与评估以及射频辐射源细微特征识别等领域提供更方便的研究手段和更高效的指导作用。本课题在这一背景下从人工神经网络技术的角度对功率放大器的非线性行为模型进行研究。本文从功率放大器的非线性特性和记忆效应出发，首先研究了传统的放大器行为模型以及其改进模型的结构和原理。然后使用ADS软件对三种功率放大器进行完整的电路设计，并进行各种仿真和测试，以对功率放大器的非线性特性进行验证以及对建模所需输入输出数据进行采集。利用MATLAB软件构建三种人工神经网络模型，并且使用仿真测试数据对神经网络进行训练和测试，建立出九个和具体功放类型对应的行为模型，使用三种标准对功率放大器模型的准确性进行评估。从模型拟合结果可以得出，利用人工神经网络技术能够准确有效的构建功率放大器的非线性行为模型。
研究方案：
首先根据成本、频段、功率以及是否具有稳定的ADS模型，选择功放芯片型号，在此我选择了 BFP780（433MHz公用频段） MRF8P9040（960MHz的GSM频段） MW6S004（1980MHz的CDMA频段）三款功率放大器芯片，然后使用ADS软件，设计了功放的外围电路，构建了三种功放的ADS电路模型，然后通过包络仿真，获得三种功率放大器在各自的中心频率下，输入信号和输出信号包络的幅度和相位，在此各采样了300组数据，然后将数据导出，再导入到matlab软件中，将前200组数据作为神经网络模型的训练数据，后100组作为神经网络的预测数据，构建了BP、RBF以及Elman三种神经网络模型，然后使用均方根误差（RMSE）、归一化均方误差（NRMS）和“相对误差小于10%的预测样本数/总预测数据样本数”，来评价模型。
一、功放的指标和特性：
功放的一般指标
(1)输出功率：
d B = 20 l g ( V 1 V 2 ) = 10 l g ( P 1 P 2 ) dB=20lg(\frac{V_{1}}{V_{2}})=10lg(\frac{P_{1}}{P_{2}}) dB=20lg(V2V1)=10lg(P2P1)
(2)效率：
η C = P o u t P d c × 100 % \eta _{C}=\frac{P_{out}}{P_{dc}}\times 100\% ηC=PdcPout×100%
η P A E = P o u t − P i n P d c = ( 1 − 1 A p ) η C \eta _{PAE}=\frac{P_{out}-P_{in}}{P_{dc}}=(1-\frac{1}{A_{p}})\eta_{C} ηPAE=PdcPout−Pin=(1−Ap1)ηC
(3)线性度：
一般来说，功率放大器工作在非线性区时的效率比工作在线性区域时要高，为了提高效率，功放工作在会工作在非线性区，这时就会产生非线性失真，线性度指标一般有三阶互调截点、1dB压缩点、3dB压缩点和相邻道功率比等。
功放的非线性特性
(1)谐波失真：
(2)交调失真：
(3)AM/AM：
当功放激励信号幅度偏大时，此时功率放大器的增益不再是线性的了，而是随着幅度的增大而减小，信号的输出幅度不再单纯的与信号的输入信号幅度成正比例关系，即信号的放大倍数不再固定，它也与信号的输入幅度有关，因而产生的这种不必要的类调幅现象被称为AM-AM变换。
(4)AM/PM：
而同时如果输入和输出的相位偏移也不再固定或者仅随频率变化，而变得与输入信号的幅度相关，这种不必要的类调相现象被称作AM-PM变换。工作在近饱和状态的功率放大器会使这种现象更为明显。
功放的非线性指标
(1)三阶交调点：
(2)相邻信道功率比
(3)1dB压缩点输出功率与3dB饱和输出功率：
1dB压缩点是指随着输出功率增大，功率放大器自身的增益会开始减小，当增益与最大增益相比减少了1dB时，此时的输出功率为1dB压缩点，它是衡量输出功率线性范围的指标，3dB压缩点则是增益减小3dB时的输出功率，它一定程度上可认为是饱和输出功率。
功率放大器的记忆性
记忆性是指一个系统的输出不仅和系统当前的输入有关系，也和系统之前的输入有关系。当功率放大器的输入信号为宽带非恒包络或多载波的信号，功率放大器会表现出明显的记忆性，其特性随输入信号的包络不同而变化。所以功放的记忆效应主要体现在功放在具有相同的包络幅度和相位输入时，输出却不同，此时系统不再是时不变的。
电记忆效应：
主要原因是阻抗匹配问题，由于电路内部的感抗核容抗器件的阻抗是与信号的频率相关的，在设计电路时所做的阻抗匹配一般主要在中心频率进行设计的，一旦信号偏离中心频率时，尤其是宽带信号，偏离中心频率较远时，电路节点的容抗和感抗发生了不同步的变化，导致阻抗失配。
热记忆效应：
主要原因是晶体管结温的变化。当功率放大器工作在大功率条件下时，由于晶体管的损耗功率增加，并且以热能的形式转化，晶体管会迅速升温。由于晶体管具有温度敏感性，功放内部的参数会发生变化，进而导致其特性也发生变化
二、常见功放的行为模型
Saleh函数模型及其改进
A. A. M. Saleh 在1981年提出，使用四个参数描述了功放的AM/AM、AM/PM特性特性，是一种无记忆的非线性模型。
Volterra级数模型及其改进
1887年数学家Volterra提出这一级数，这是Taylor级数的一个广义延伸，后来将其用于研究非线性系统。
记忆多项式模型的结构及其改进
三、基于ADS的功率放大器仿真模型设计
总体设计思路
(1)功放选型。 首先根据频段、功率、偏置、成本以及是否具有ADS模型对功率放大器进行选型。
(2)详细研究功率放大器的芯片手册。 功率放大器的芯片手册是我们进行仿真设计的一个参考。
(3)明确设计指标。 我们首先要对功放的频段、输出功率、效率以及偏置电压进行一个确定。
(4)安装DesignKit。 导入芯片模型。
(5)进行直流扫描。 确定静态工作点，既漏极电压和栅极电压。
(6)进行稳定性分析。 以防射频功率放大器不稳定产生自激振荡。
(7)负载牵引设计。 对功率放大器的输入输出进行阻抗遍历，根据最高输出功率和最佳效率两指标找到功率放大器的输入输出阻抗。
(8)使用Smith圆图进行输入输出阻抗匹配。
(9)设计偏置电路。 满足栅极和漏极供电并防止信号泄露。
(10)原理图S参数仿真。 得到功率放大器的频率特性，观察增益在设计频段是否满足要求，观察输入回波损耗是否足够低。
(11)原理图HB仿真。 得到功率放大器的谐波特性、AM/AM特性、AM/PM特性、1dB压缩点等各种特性。
(12)原理图优化调谐。 进入实时仿真状态，可以一边调整电路的元件和激励参数，一边观察调整之后仿真结果的变化，以此寻找最优参数，实现优化效果。
(13)原理图包络仿真。 使用宽带信号输入，得到时域的输入输出包络数据
具体过程： 基本可以完全参考：徐兴福.ADS2011射频电路设计与仿真实例[M].成都：电子工业出版社,2014.05:功率放大器设计。
这一部分过程比较复杂，即便是看了教程对于初学者也会遇到各种磕磕绊绊，没办法硬件的经验要求还是蛮高的，孰能生巧，可以亲手做一做，如果对此不感兴趣或者时间不充裕，以后也不搞这个方向，可以联系作者邮箱购买工程文件
| （没错这个收点小费用。。。首先是支持自己搭一搭，其次作者做这个时候心态很崩，现在方向也不搞这个，如果你想略过这个痛苦的过程，作者也想要一点安慰；再次这个不像软件程序复制，感觉作者的劳动还是占比很大，算是有点小知产） |
四、神经网络的构建
数据采集和处理
在本课题中，通过MATLAB软件对几种人工神经网络进行实现，来验证神经网络技术对功放行为建模的可行性和有效性。但无论是传统模型还是神经网络模型，都必须要借助有效可靠的数据，对模型的参数进行确定，由于实际电路的信号采集对仪器和测试环境都具有严苛的要求，因此本课题先利用三种功率放大器的ADS模型进行数据采集，既能够得到有效数据验证模型，也为之后的实际电路测试提供指导作用。
通过对三种ADS功放模型进行包络仿真，将输入设置为宽带调幅信号，虽然三种放大器用途不同，但在此统一使用CDMA信号作为基带信号以方便对比，载波频率分别设置为各功放的中心频率功放模型各得到300组数据，分别为输出和输出包络在时域上的幅度和相位。
ADS软件具有数据导出功能，将仿真图中包含的数据输出为为一个txt格式的文件。而相应的，MATLAB能够将txt文件的数据导入为一个多维数组，在此将导入到MATLAB中的数组绘制成图形，与ADS仿真图进行对比。
由于相位变化具有周期性，因而在进行数据处理的过程中，有些相位数据会由于相差一个周期而出现不连续性，在此利用MATLAB先对相位进行人为的平移，使相位变化为连续的，并将角度制转换成弧度制。然后利用MATLAB绘制出输入输出的幅度和相位关系。
由于输入在时域上具有足够的随机性，因而不需要再对信号做随机选取，直接利用前200组数据作为训练样本，剩余数据作为预测数据来验证模型的准确度。为确保幅度和相位的同时作用，将幅度和相位合并作为二维数组进行输入和输出。
评估方法： 本课题主要采用三种方法对神经网络模型的拟合程度和模型性能进
行检验和衡量。分别为均方根误差（RMSE）、归一化均方误差（NRMS）和相对误差小于10%的预测点数比。
人工神经网络的构建
BP神经网络
RBF神经网络
Elman神经网络
原理结构方法网上都有，这里不讲，代码已上传至CSDN下载，链接为：
https://download.csdn.net/download/chijinloujue/11169138
除硬核篇内讲述作者毕设的主要内容外，作者另有一篇讲述毕设项目相关的思路和注意，见：
https://blog.csdn.net/ChijinLoujue/article/details/80947900